Questions Fréquentes

AgentOS est un runtime TypeScript open source pour construire des agents IA en production, développé par Manic Agency LLC (manic.agency) et Frame.dev. Il fournit une orchestration multi-agents, une mémoire cognitive, du RAG multimodal, des guardrails de sécurité intégrés (rédaction de PII, défense contre l’injection de prompt, modération de contenu), des pipelines vocaux, 37 adaptateurs de canal et 21 intégrations de fournisseurs LLM. AgentOS alimente également les systèmes IA derrière Wilds.ai, une plateforme de jeu AI-native. Auto-hébergeable et gratuit.

Oui. Le runtime principal est sous licence Apache 2.0. Les presets d’agents, extensions et guardrails sont sous licence MIT. Vous pouvez utiliser AgentOS commercialement, le modifier et le redistribuer selon ces termes de licence.

AgentOS prend en charge 21 fournisseurs LLM, dont OpenAI, Anthropic, Google Gemini, Mistral, Cohere, Ollama, OpenRouter, Together AI, Fireworks AI, Groq, Perplexity, DeepSeek, xAI (Grok), Replicate, Anyscale, AI21 Labs, Aleph Alpha, AWS Bedrock, Azure OpenAI, Cloudflare Workers AI et HuggingFace Inference. Les chaînes de fallback de fournisseur permettent un basculement automatique.

AgentOS est entièrement écrit en TypeScript et fonctionne sur Node.js. Le package npm est @framers/agentos. Il fonctionne avec n’importe quel projet TypeScript ou JavaScript.

AgentOS est natif TypeScript (pas Python), inclut une mémoire cognitive avec des courbes de décroissance d’Ebbinghaus et une modélisation de personnalité HEXACO, propose 5 niveaux de sécurité au lieu d’un simple filtrage de prompts, fournit 37 adaptateurs de canal intégrés (Discord, Telegram, Slack, e-mail et plus) et prend en charge 6 stratégies d’orchestration, dont des DAG d’agents basés sur graphe. Il inclut également 88 skills sélectionnés et un moteur de découverte de capacités qui réduit l’usage de tokens d’environ 90%.

faq.general.whatIsParacosm.answer

faq.general.whatIsWildsAi.answer

faq.general.whatIsWunderland.answer

GMI signifie General Machine Intelligence — c’est le noyau cognitif de chaque agent AgentOS. Une GMI encapsule les traits de personnalité de l’agent (via HEXACO), les systèmes de mémoire, l’accès aux outils, la configuration des guardrails et le style de communication dans une seule identité persistante. Les GMI maintiennent leur état entre les sessions et adaptent leur comportement selon l’expérience accumulée.

HEXACO est un modèle de personnalité à 6 facteurs issu de la recherche en psychologie (Ashton & Lee, 2004). Les six dimensions sont Honnêteté-Humilité, Émotionnalité, Extraversion, Agréabilité, Conscience et Ouverture à l’Expérience. Dans AgentOS, les traits HEXACO modulent la façon dont les agents communiquent, mémorisent et prennent des décisions. Par exemple, une forte Ouverture augmente la reconsolidation mémorielle lors du rappel, tandis qu’une forte Conscience renforce l’oubli induit par la récupération des associations non pertinentes.

La mémoire cognitive d’AgentOS implémente 8 mécanismes issus de la recherche en sciences cognitives : reconsolidation, oubli induit par la récupération, rappel involontaire, sentiment de savoir, extraction de gist temporel, encodage de schémas, décroissance de la confiance de la source et régulation émotionnelle. Les souvenirs s’estompent avec le temps en suivant les courbes d’oubli d’Ebbinghaus (Ebbinghaus, 1885), avec répétition espacée et consolidation pour préserver les informations importantes. La mémoire de travail suit le modèle multicomposant de Baddeley (Baddeley, 2000) avec un scratchpad volatil pour le tour en cours qui se consolide vers les couches de mémoire épisodique, sémantique et observationnelle.

AgentOS fournit 5 niveaux de sécurité (dangerous, permissive, balanced, strict, paranoid) et 6 types d’extensions de guardrail : rédaction de PII (noms, e-mails, téléphones, SSN), classificateurs ML pour la détection de prompt injection, analyse de sécurité du code, vérification du grounding contre les documents sources, application de topicalité pour garder les agents sur la tâche et filtrage de politique de contenu pour les sorties nuisibles ou inappropriées.

Le moteur de découverte de capacités remplace les vidages statiques d’outils et de skills par une recherche sémantique à 3 niveaux, réduisant l’usage de tokens d’environ 90%. Le niveau 0 fournit des résumés de catégorie en environ 150 tokens (toujours inclus). Le niveau 1 renvoie les 5 meilleurs matches sémantiques en environ 200 tokens. Le niveau 2 délivre les schémas complets en environ 1 500 tokens, chargés à la demande. Un méta-outil nommé discover_capabilities permet aux agents de découvrir les outils disponibles à l’exécution.

Le QueryRouter classifie les requêtes entrantes en 4 niveaux : T0 (réponse directe depuis le contexte), T1 (invocation d’un seul outil), T2 (plan multi-étapes nécessitant un moteur de planification) et T3 (délégation multi-agents nécessitant une orchestration). Cette classification détermine la stratégie d’exécution et l’allocation des ressources pour chaque requête.

L’intelligence adaptative est la façon dont les agents AgentOS améliorent continuellement leur comportement sans ré-entraînement. Cinq mécanismes travaillent ensemble : (1) Adaptation méta-réflexive des prompts — le PromptBuilder assemble un system prompt différent à chaque tour, en incorporant dynamiquement les traits de personnalité, l’état d’humeur, l’historique de conversation, les souvenirs récupérés et les outils disponibles. (2) Auto-évaluation de la qualité des réponses — l’outil self_evaluate note la propre sortie de l’agent et ajuste en temps réel des paramètres comme la température, la verbosité et l’expression de la personnalité. (3) Cognition modulée par la personnalité — les traits HEXACO façonnent la façon dont l’agent traite l’information. Une forte ouverture augmente les associations créatives lors de la récupération mémorielle ; une forte conscience renforce l’oubli induit par la récupération de données non pertinentes. (4) Consolidation autonome de la mémoire — la ConsolidationLoop élague les souvenirs faibles, renforce ceux fréquemment consultés et dérive de nouvelles intuitions à partir de clusters mémoriels, de sorte que la connaissance de l’agent s’améliore avec le temps sans entraînement explicite. (5) Classification par niveaux du QueryRouter — le système adapte la profondeur de récupération selon la complexité de la requête. Les questions simples obtiennent une recherche rapide par mots-clés ; les questions complexes déclenchent un RAG hybride complet avec recherche approfondie.

Les comportements émergents sont des capacités que les agents développent à l’exécution plutôt que d’être explicitement programmées. AgentOS prend en charge cinq formes : (1) Forge d’outils à l’exécution — les agents créent de nouveaux outils à la volée via forge_tool. L’EmergentCapabilityEngine utilise une exécution JavaScript en sandbox et une évaluation LLM-as-judge pour créer, tester et promouvoir les outils en toute sécurité. (2) Personnalité auto-améliorante — les agents adaptent leurs traits de personnalité HEXACO dans des limites bornées via adapt_personality. Les mutations persistent avec une décroissance d’Ebbinghaus — les adaptations fortes et répétées subsistent, tandis que les faibles s’estompent naturellement. (3) Gestion dynamique des skills — les agents activent ou désactivent les skills à l’exécution via manage_skills, adaptant leur répertoire comportemental à la tâche en cours. (4) Création de workflows composables — les agents composent les outils enregistrés en pipelines multi-étapes via create_workflow, construisant de nouvelles capacités à partir de blocs existants. (5) Promotion par niveaux des outils — les outils forgés progressent à travers les niveaux session, agent et partagé. Les outils qui se révèlent fiables (5+ utilisations réussies, score de confiance >0,8) sont auto-promus pour une réutilisation inter-agents.

Oui. AgentOS fournit deux mécanismes complémentaires de LLM-as-judge. Au niveau de l’agency, hitl.llmJudge() crée un handler d’approbation qui délègue les décisions à un LLM. Il évalue chaque ApprovalRequest selon des critères configurables et renvoie une décision structurée avec un score de confiance. Lorsque la confiance tombe sous le seuil, la décision est escaladée vers un handler de fallback (un autre hitl handler ou un humain). Au niveau du graph, le builder humanNode() accepte une option judge qui délègue la décision d’interruption à un LLM. Si le juge est confiant, le graph continue sans suspension. Si la confiance est faible, l’exécution retombe sur une interruption humaine normale. Les deux approches prennent en charge model, provider, criteria et confidence threshold configurables.

Oui. Lorsque hitl.guardrailOverride est activé, les guardrails s’exécutent après une décision d’approbation et peuvent encore bloquer des actions destructives ou sensibles. Cela ajoute une seconde couche de sécurité après l’auto-approbation, l’approbation humaine ou hitl.llmJudge(). Les guardrails post-approbation par défaut incluent code-safety et pii-redaction, et vous pouvez configurer la liste avec hitl.postApprovalGuardrails. Ne désactivez l’override que si vous voulez explicitement que le handler d’approbation ait le dernier mot.

Installez via npm : npm install @framers/agentos. AgentOS nécessite Node.js 18 ou supérieur. Pour les outils CLI, installez le package compagnon : npm install -g wunderland.

Import the agent function and configure it with a provider, instructions, and optional personality traits:

import { agent } from '@framers/agentos'

const myAgent = agent({
  provider: 'openai',
  instructions: 'You are a helpful assistant.',
  personality: {
    openness: 0.8,
    conscientiousness: 0.9,
  },
  memory: { enabled: true },
})

const reply = await myAgent.send('Hello!')
console.log(reply.text)

AgentOS prend en charge plusieurs fournisseurs STT (speech-to-text) et TTS (text-to-speech). Configurez un pipeline vocal en spécifiant les fournisseurs STT et TTS dans la configuration de votre agent. Les fournisseurs STT pris en charge incluent Whisper (OpenAI), Deepgram et AssemblyAI. Les fournisseurs TTS incluent ElevenLabs, OpenAI TTS et Google Cloud TTS. L’intégration téléphonique est disponible pour les interactions vocales en temps réel.

AgentOS est auto-hébergeable et fonctionne partout où Node.js fonctionne. Déployez sur votre propre infrastructure avec Docker, sur des fournisseurs cloud comme AWS, GCP ou Azure, ou utilisez des plateformes comme Vercel, Railway ou Fly.io. Le runtime utilise SQLite par défaut pour une configuration zéro, avec migration optionnelle vers Postgres, pgvector, Qdrant ou Neo4j pour l’échelle de production.

Oui. AgentOS fonctionne entièrement hors ligne lorsqu’il est associé à Ollama pour l’inférence LLM locale. Ollama donne accès à des modèles à poids ouverts comme Llama, Mistral et Phi en local. Le backend de stockage SQLite et le vector store en mémoire ne nécessitent aucun service externe. La CLI détecte automatiquement Ollama et configure l’agent pour l’utiliser.

Oui. AgentOS vous permet de contrôler exactement le degré de liberté de vos agents — du totalement ouvert au complètement verrouillé. Il bloque les attaques par prompt injection, rédige les données personnelles, modère le contenu en temps réel, exige une approbation pour les appels d’outils sensibles, applique des limites de budget et inclut des disjoncteurs et du rate limiting.

AgentOS est conçu en gardant à l’esprit la conformité GDPR — les guardrails de rédaction de PII peuvent supprimer les données personnelles avant qu’elles n’atteignent les fournisseurs LLM. Toutes les données restent sur votre infrastructure en auto-hébergement. La documentation de conformité SOC 2 est prévue. Le système de mémoire prend en charge la suppression et l’exportation de données pour les demandes de droit d’accès.

Oui. Pour les déploiements en production, les licences entreprise, le support dédié et les intégrations personnalisées, contactez l’équipe à [email protected]. Le support entreprise inclut la résolution prioritaire des issues, le conseil en architecture et l’assistance au déploiement.

[email protected]

Absolument. AgentOS est conçu pour être auto-hébergé dès le départ. Pour les déploiements auto-hébergés, vos données restent sur votre infrastructure avec SQLite, Postgres, pgvector, Qdrant ou Neo4j. Si vous préférez une base de données vectorielle gérée par un fournisseur, Pinecone est également pris en charge. Des configurations Docker Compose sont fournies pour les backends auto-hébergés.